本文以自動駕駛系統(tǒng)為代表的汽車智能化技術(shù)將對汽車產(chǎn)業(yè)生態(tài)變革產(chǎn)生重大影響。首先，分析了自動駕駛技術(shù)發(fā)展路線、發(fā)展現(xiàn)狀及人工智能（ArtificialIntelligence，AI）的應(yīng)用領(lǐng)域，指出AI在自動駕駛應(yīng)用中面臨的挑戰(zhàn)。然后，提出一種基于AI的車云協(xié)同自動駕駛系統(tǒng)架構(gòu)，分析了基于AI的智能駕駛終端軟硬件架構(gòu)與基于大數(shù)據(jù)的自動駕駛云端空間架構(gòu)；結(jié)合車端與云端的AI集成應(yīng)用問題、信息數(shù)據(jù)交互方法與車云協(xié)同技術(shù)，討論了人工智能在自動駕駛系統(tǒng)的主要應(yīng)用。

21世紀以來，隨著新一代信息通信、新能源、新材料等技術(shù)加快與汽車產(chǎn)業(yè)融合，信息通信、互聯(lián)網(wǎng)等新興科技企業(yè)全面涉足汽車行業(yè)，世界汽車產(chǎn)業(yè)發(fā)展形勢正面臨重大變化：

1）產(chǎn)品形態(tài)和生產(chǎn)方式深度變革。汽車產(chǎn)品加快向新能源、輕量化、智能和網(wǎng)聯(lián)化的方向發(fā)展，汽車正從交通工具轉(zhuǎn)變?yōu)榇笮鸵苿又悄芙K端、儲能單元和數(shù)字空間。汽車生產(chǎn)方式向充分互聯(lián)協(xié)作的智能制造體系演進，個性化定制生產(chǎn)模式將成為趨勢。

2）新興需求和商業(yè)模式加速涌現(xiàn)。用戶體驗成為影響汽車消費的重要因素。消費需求的多元化特征日趨明顯，共享出行、個性化服務(wù)成為主要方向。

3）產(chǎn)業(yè)格局和生態(tài)體系深刻調(diào)整。汽車發(fā)達國家加快推進產(chǎn)業(yè)創(chuàng)新和融合發(fā)展，世界汽車產(chǎn)業(yè)格局變化加速?；ヂ?lián)網(wǎng)等新興科技企業(yè)大舉進入汽車行業(yè)，全球汽車產(chǎn)業(yè)生態(tài)正在重塑。

汽車智能化技術(shù)集現(xiàn)代傳感技術(shù)、信息與通信技術(shù)、自動控制技術(shù)和人工智能等于一體，在減少交通事故、緩解交通擁堵、降低能耗、保護環(huán)境等方面具有巨大潛能。為此，世界各國都在積極制定自動駕駛技術(shù)路線圖，推動自動駕駛汽車的發(fā)展，如美國的「工業(yè)互聯(lián)網(wǎng)」、德國的「工業(yè)4.0」、日本的「機器人革命」等各類科技規(guī)劃，均將汽車智能化技術(shù)列為汽車產(chǎn)業(yè)發(fā)展的重要突破口，我國于2015年發(fā)布的《中國制造2025》及2017年發(fā)布的《汽車產(chǎn)業(yè)中長期發(fā)展規(guī)劃》明確提出「智能+網(wǎng)聯(lián)」的自動駕駛汽車技術(shù)發(fā)展路線。

自動駕駛汽車系統(tǒng)被認為是汽車智能化發(fā)展的最高目標(biāo)，對改善交通安全、實現(xiàn)節(jié)能減排、消除擁堵、提升社會效率，拉動汽車、電子、通訊、服務(wù)、社會管理等協(xié)同發(fā)展，促進汽車產(chǎn)業(yè)轉(zhuǎn)型升級具有重大戰(zhàn)略意義，自動駕駛技術(shù)已經(jīng)成為眾多企業(yè)的競爭熱點。

另一方面，基于深度學(xué)習(xí)（DeepLearning，DL）在機器視覺（MachineVision，MV）、自然語言處理（NaturalLanguageProcessing，NLP）等領(lǐng)域的成功應(yīng)用和我國AI發(fā)展戰(zhàn)略，研究AI在汽車自動駕駛系統(tǒng)中的深度應(yīng)用，有十分重要的現(xiàn)實意義。文中梳理自動駕駛技術(shù)發(fā)展趨勢，分析人工智能在汽車智能化網(wǎng)聯(lián)化發(fā)展下的關(guān)鍵技術(shù)，并提出一種基于AI的車云協(xié)同自動駕駛系統(tǒng)。

1.自動駕駛技術(shù)的發(fā)展趨勢與AI應(yīng)用現(xiàn)狀分析

1.1自動駕駛技術(shù)發(fā)展現(xiàn)狀

自動駕駛汽車是一個機電一體、軟硬件高度集成、以最終實現(xiàn)替代人操作的復(fù)雜信息物理融合系統(tǒng)，主要由感知、決策和執(zhí)行子系統(tǒng)構(gòu)成，自動駕駛技術(shù)涉及環(huán)境感知、決策規(guī)劃、控制執(zhí)行、V2X通信等關(guān)鍵技術(shù)，其結(jié)構(gòu)如圖1所示。

圖1自動駕駛汽車分層結(jié)構(gòu)示意圖

環(huán)境感知技術(shù)使用車載傳感設(shè)備（如GPS/INS系統(tǒng)、毫米波雷達/攝像頭）及5G網(wǎng)絡(luò)獲取汽車所處的交通環(huán)境信息和車輛狀態(tài)信息（位置、姿態(tài)），并將多個傳感器的輸出信息統(tǒng)一在車輛坐標(biāo)系下，建立具有時間標(biāo)記的數(shù)據(jù)關(guān)聯(lián)和融合的元信息，為自動駕駛的決策規(guī)劃服務(wù)。

決策規(guī)劃技術(shù)依據(jù)環(huán)境感知子系統(tǒng)輸出信息，實現(xiàn)路由尋徑、交通預(yù)測、行為決策、動作規(guī)劃及反饋控制信號輸出等功能。

控制執(zhí)行技術(shù)使用線控執(zhí)行機構(gòu)完成反饋控制輸出指令的執(zhí)行，以實現(xiàn)轉(zhuǎn)向、油門和制動的控制。

V2X技術(shù)為車與外界的信息交互提供實時、可靠的通信服務(wù)，為環(huán)境感知和決策規(guī)劃服務(wù)。

1.1.1自動駕駛發(fā)展路線

目前自動駕駛技術(shù)的實現(xiàn)出現(xiàn)了2條路徑：以傳統(tǒng)車企為主的漸進式發(fā)展路線、以科研機構(gòu)和IT企業(yè)為主的顛覆式發(fā)展路線。

1）漸進式發(fā)展路線通過逐步提高汽車智能化水平，沿著輔助駕駛、部分自動駕駛、高度自動駕駛和完全自動駕駛的方向分階段發(fā)展。在輔助駕駛階段，車輛控制以駕駛員為主，駕駛員掌握最終的駕駛權(quán)，系統(tǒng)輔助駕駛員，降低駕駛負擔(dān)。目前已在乘用車上量產(chǎn)的輔助駕駛技術(shù)有側(cè)向穩(wěn)定控制、電動助力轉(zhuǎn)向控制，部分高檔車還裝有自動泊車、自適應(yīng)巡航、車道偏離預(yù)警系統(tǒng)等輔助駕駛系統(tǒng)。在部分自動駕駛階段，車輛的智能化水平進一步提高，具有一定的自主決策能力，具備特定工況下短時托管的能力。在高度自動駕駛階段和完全自動駕駛階段，車輛具有高度自主性，汽車可自主決策、規(guī)劃和控制，可實現(xiàn)復(fù)雜工況（如高速公路、城市工況）的托管能力，甚至完全無人駕駛。

2）顛覆式發(fā)展路線跳過汽車智能化逐級發(fā)展的思路，直接實現(xiàn)車輛的高度/完全自動駕駛，研發(fā)難度大，其研究成果已經(jīng)很好地用到漸進式發(fā)展路線的各個階段。美國是該領(lǐng)域研究最早技術(shù)最先進的國家。美國國防部高級研究計劃局（DARPA）從20世紀80年代開始通過ALV項目、DEMO-II計劃、DEMO-III計劃等資助美國企業(yè)、科研機構(gòu)和高等院校進行顛覆式自動駕駛技術(shù)在軍事領(lǐng)域的應(yīng)用。谷歌公司是目前在該領(lǐng)域取得成果最為顯著的企業(yè)，其2009年開始自動駕駛技術(shù)研究，2010年進行了自動駕駛汽車城市路況測試，2011年獲得自動駕駛汽車的授權(quán)，目前其研發(fā)的自動駕駛汽車已經(jīng)被美國車輛安全監(jiān)管機構(gòu)認為符合聯(lián)邦法律。德國也是最早開始該領(lǐng)域研究的國家，早在20世紀80年代，德國慕尼黑聯(lián)邦國防軍大學(xué)就與奔馳公司合作開始研發(fā)自主駕駛汽車，其代表車型奔馳S500于2013年在城市和城際道路完成了長距離自主駕駛試驗。

漸進式發(fā)展路線和顛覆式發(fā)展路線體現(xiàn)了傳統(tǒng)整車企業(yè)和互聯(lián)網(wǎng)IT企業(yè)關(guān)于智能駕駛汽車產(chǎn)業(yè)化發(fā)展的分歧?；ヂ?lián)網(wǎng)企業(yè)試圖將一些尖端的IT技術(shù)引入到汽車領(lǐng)域中，為消費者帶來更多美好的駕駛體驗，通過自頂而下的技術(shù)輻射，縱向向下衍生低級別的智能駕駛技術(shù)。而汽車企業(yè)認為駕駛員對于安全感的需求可能遠超IT思維的預(yù)想，因而采取循序漸進的方式推廣智能駕駛技術(shù)。

無論何種技術(shù)路線，車輛智能安全輔助功能的研究已經(jīng)很成熟，客觀上為智能駕駛搭好了基礎(chǔ)技術(shù)平臺；整車企業(yè)及IT企業(yè)在智能駕駛產(chǎn)業(yè)化發(fā)展上也均面臨技術(shù)問題、成本問題、法規(guī)問題需要解決。但只要市場對這些技術(shù)有持續(xù)需求，就能推動汽車向完全無人化演進。

1.1.2我國自動駕駛技術(shù)發(fā)展現(xiàn)狀

我國在自動駕駛領(lǐng)域的研究起步于20世紀80年代。1980年「遙控駕駛的防核化偵察車」由國家立項，1989年我國首輛智能小車在國防科技大學(xué)研制成功，1992年國防科技大學(xué)、北京理工大學(xué)等高校研制成功我國第一輛真正意義上能夠自主行駛的測試樣車（ATB-1）。

進入21世紀，國家「863計劃」開始對自動駕駛技術(shù)研究給予更多支持。2000年國防科技大學(xué)宣布其第4代自動駕駛汽車試驗成功。2003年國防科技大學(xué)和一汽共同合作研發(fā)成功了一輛自動駕駛汽車——紅旗CA7460，該汽車能夠根據(jù)車輛前方路況自動變道，2006年研制成功新一代紅旗HQ3自動駕駛轎車。2005年我國首輛城市自動駕駛汽車由上海交通大學(xué)研制成功。2011年國防科技大學(xué)和一汽研制的HQ3首次完成了從長沙到武漢的高速全程無人駕駛試驗，自動駕駛的平均速度達到87km/h，全程距離為286km。2012年11月軍事交通學(xué)院研制的自動駕駛汽車完成了高速公路測試，是第1輛得到了我國官方認證的無人汽車，并獲得中國智能車未來挑戰(zhàn)賽2015年度和2016年度冠軍。

2015年12月IT企業(yè)百度的自動駕駛汽車完成北京開放高速路的自動駕駛測試，意味著自動駕駛技術(shù)從科研開始落地到產(chǎn)品；2016年9月百度宣布獲得美國加州政府頒發(fā)的全球第15張無人車上路測試牌照，2017年4月17日百度展示了與博世合作開發(fā)的高速公路輔助功能增強版演示車。

2017年4月我國把基于自動駕駛技術(shù)的智能網(wǎng)聯(lián)汽車列入「汽車產(chǎn)業(yè)中長期發(fā)展規(guī)劃」，成為我國汽車產(chǎn)業(yè)轉(zhuǎn)型發(fā)展又一個戰(zhàn)略目標(biāo)。我國自動駕駛技術(shù)的總體水平與國外先進水平還存在一定的差距，主要關(guān)鍵技術(shù)（感知融合、路徑規(guī)劃、控制與決策技術(shù)等）仍處于完善階段，關(guān)鍵技術(shù)發(fā)展的局限性制約了自動駕駛系統(tǒng)在不同環(huán)境下的自主駕駛能力，導(dǎo)致自動駕駛系統(tǒng)的行為表現(xiàn)有時存在較大的反差。

1.2 AI在自動駕駛中的應(yīng)用現(xiàn)狀與挑戰(zhàn)

1.2.1人工智能技術(shù)簡介

AI是一門研究模擬、延伸和擴展人類智能的理論、方法及技術(shù)的科學(xué)，其誕生于20世紀50年代，目前發(fā)展為計算機視覺、自然語言理解與交流、認知與推理、機器人學(xué)、博弈與倫理和機器學(xué)習(xí)六大領(lǐng)域，并呈現(xiàn)出各領(lǐng)域相互滲透的趨勢。

其中，機器學(xué)習(xí)研究如何在算法的指導(dǎo)下自動學(xué)習(xí)輸入數(shù)據(jù)樣本的數(shù)據(jù)結(jié)構(gòu)和內(nèi)在規(guī)律并獲得新的經(jīng)驗與知識，從而對新樣本進行智能識別，甚至對未來進行預(yù)測。典型的機器學(xué)習(xí)算法有線性回歸、K-均值、K-近鄰、主成份分析、支持向量機、決策樹、人工神經(jīng)網(wǎng)絡(luò)等。

在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展起來的深度學(xué)習(xí)模型是當(dāng)前最為有效的機器學(xué)習(xí)算法模型之一，成為當(dāng)前人工智能研究與應(yīng)用的熱點。深度學(xué)習(xí)模型在人工神經(jīng)網(wǎng)絡(luò)中加入了多個隱層，于2006年由GeoffreyHinton和RuslanSalakhutdinov提出。由于在2012年的ImageNet比賽（計算機視覺領(lǐng)域最具影響力的國際比賽）中成績突出，深度學(xué)習(xí)模型受到社會各界的極大關(guān)注，并在多個領(lǐng)域取得研究進展，出現(xiàn)了一批成功的商業(yè)應(yīng)用，如谷歌翻譯、蘋果語音工具Siri、微軟的Cortana個人語音助手、螞蟻金服的掃臉技術(shù)、谷歌的AlphaGo等。

1.2.2人工智能在自動駕駛技術(shù)中的應(yīng)用

AI在自動駕駛技術(shù)中有著豐富的應(yīng)用，諸如深度學(xué)習(xí)、增強學(xué)習(xí)都在自動駕駛技術(shù)中取得較好的研究結(jié)果。

1）環(huán)境感知領(lǐng)域

感知處理是AI在自動駕駛中的典型應(yīng)用場景。如基于HOG特征的行人檢測技術(shù)在提取圖像的HOG特征后通常通過支持向量機算法進行行人檢測；基于激光雷達與攝像頭的車輛檢測技術(shù)中，需對激光雷達數(shù)據(jù)做聚類處理；線性回歸算法、支持向量機算法、人工神經(jīng)網(wǎng)絡(luò)算法也常被用于車道線和交通標(biāo)志的檢測。

圖2基于機器學(xué)習(xí)的非結(jié)構(gòu)化道路檢測框架

圖2所示的框架把機器學(xué)習(xí)用到鄉(xiāng)村公路、野外土路等非結(jié)構(gòu)化道路的檢測中。由于車輛行駛環(huán)境復(fù)雜，已有感知技術(shù)在檢測與識別精度方面尚無法滿足自動駕駛的需要，基于深度學(xué)習(xí)的圖像處理成為自動駕駛視覺感知的重要支撐。在感知融合環(huán)節(jié)，常用的AI方法有貝葉斯估計、統(tǒng)計決策理論、證據(jù)理論、模糊推理，、神經(jīng)網(wǎng)絡(luò)以及產(chǎn)生式規(guī)則等。

2）決策規(guī)劃領(lǐng)域

決策規(guī)劃處理是AI在自動駕駛中的另一個重要應(yīng)用場景，狀態(tài)機、決策樹、貝葉斯網(wǎng)絡(luò)等AI方法已有大量應(yīng)用。近年來興起的深度學(xué)習(xí)與強化學(xué)習(xí)能通過大量學(xué)習(xí)實現(xiàn)對復(fù)雜工況的決策，并能進行在線學(xué)習(xí)優(yōu)化，由于需要較多的計算資源，當(dāng)前是計算機與互聯(lián)網(wǎng)領(lǐng)域研究自動駕駛規(guī)劃決策處理的熱門技術(shù)。

3）控制執(zhí)行領(lǐng)域

傳統(tǒng)控制方法有PID控制、滑?？刂啤⒛：刂?、模型預(yù)測控制等。智能控制方法主要有基于模型的控制、神經(jīng)網(wǎng)絡(luò)控制和深度學(xué)習(xí)方法等。

如清華李克強等研究了單車多目標(biāo)協(xié)調(diào)式自適應(yīng)巡航控制技術(shù)，在實現(xiàn)自動跟車行駛、低燃油消耗和符合駕駛員特性三大功能的同時全面提升行車安全性、改善車輛燃油經(jīng)濟性、減輕駕駛疲勞強度；還提出了基于多智能體系統(tǒng)的協(xié)同式多車隊列控制方案，以實現(xiàn)降低油耗、改善交通效率以及提高行車安全性的目標(biāo)。

1.2.3自動駕駛領(lǐng)域AI應(yīng)用面臨的挑戰(zhàn)

當(dāng)前，以深度學(xué)習(xí)為代表的當(dāng)代AI技術(shù)，基于在機器視覺（MV）、自然語言處理（NLP）等領(lǐng)域的成功應(yīng)用，被引入到自動駕駛技術(shù)的環(huán)境感知、決策規(guī)劃和控制執(zhí)行的研究中，獲得了較好的效果。

由于車輛行駛環(huán)境復(fù)雜，一些嚴重依賴于數(shù)據(jù)、計算資源和算法的AI技術(shù)，在自動駕駛的感知、決策、執(zhí)行等環(huán)節(jié)尚無法滿足實時性需求，一些以其作為核心支撐的自動駕駛系統(tǒng)原型面臨挑戰(zhàn)：

1）實時可靠性需求給系統(tǒng)的計算速度和計算可靠性帶來挑戰(zhàn)。自動駕駛系統(tǒng)要求感知、決策和執(zhí)行各子系統(tǒng)的響應(yīng)必須是實時可靠的，因此需要系統(tǒng)提供高速可靠的計算能力。

2）部件小型化的產(chǎn)業(yè)化需求使目前系統(tǒng)龐大的硬件尺寸面臨挑戰(zhàn)。當(dāng)前的自動駕駛系統(tǒng)原型大多是計算機系統(tǒng)或工控機系統(tǒng)，不滿足車規(guī)級部件需求。

3）個性化適配無法滿足。當(dāng)前興起的深度學(xué)習(xí)算法對應(yīng)用環(huán)境變異的自適應(yīng)性較差，對不同車型和不同場景存在模型重新訓(xùn)練的適配問題，已有的自動駕駛系統(tǒng)原型不能滿足。

4）自主學(xué)習(xí)、自主維護需求無法滿足。深度學(xué)習(xí)呈現(xiàn)出學(xué)習(xí)集越大，效果越好的特點，由此需要自動駕駛系統(tǒng)具備持續(xù)自主學(xué)習(xí)能力，而已有的自動駕駛原型無法滿足。面對老化、磨損等問題，部件出廠時的標(biāo)定參數(shù)不再處于最優(yōu)狀態(tài)，自動駕駛系統(tǒng)需要基于汽車行駛數(shù)據(jù)、性能評價進行智能整定（自標(biāo)定）、診斷和維護，已有的自動駕駛原型也無法滿足需求。

5）成本控制面臨挑戰(zhàn)。當(dāng)前自動駕駛系統(tǒng)原型造價尚不滿足產(chǎn)業(yè)化成本需求。

上述問題本質(zhì)上是由于智能駕駛單車數(shù)據(jù)積累深度與廣度不足、強計算能力欠缺、任務(wù)自適應(yīng)能力差、AI算法優(yōu)化適配困難。為解決上述問題，完成AI在車載終端的深度集成應(yīng)用，考慮構(gòu)建車云協(xié)同一體的智能駕駛系統(tǒng)。借助云平臺靈活、豐富的計算資源，處理復(fù)雜的AI算法，并將分析結(jié)果發(fā)給車端進行實時決策規(guī)劃，使云端域作為具有網(wǎng)絡(luò)功能開放的大腦和核心，成為連接網(wǎng)絡(luò)內(nèi)部和車端業(yè)務(wù)需求的紐帶，藉此真正實現(xiàn)網(wǎng)絡(luò)智能化。基于云計算和大數(shù)據(jù)技術(shù)的發(fā)展，把自動駕駛系統(tǒng)分為車、云（平臺）兩層，提出車云協(xié)同自動駕駛系統(tǒng)架構(gòu)。在云端提供數(shù)據(jù)存儲、數(shù)據(jù)共享和計算資源，支持深度學(xué)習(xí)、自主學(xué)習(xí)、自主維護和個性化適配等復(fù)雜AI算法。通過部分軟/硬件共享技術(shù)，可降低車端成本，使計算量減少，有利于車端嵌入式AI硬件產(chǎn)品的研發(fā)，以滿足車規(guī)級部件的需求。

2.基于AI的車云協(xié)同自動駕駛系統(tǒng)架構(gòu)及關(guān)鍵技術(shù)

圍繞AI技術(shù)應(yīng)用于自動駕駛中的數(shù)據(jù)、計算與算法三大要素，面向多車型、多場景與個性化智能駕駛需求，針對智能駕駛單車系統(tǒng)面臨的等問題，提出一種基于AI的車云協(xié)同的自動駕駛系統(tǒng)架構(gòu)方案，如圖3所示。

圖3基于AI的車云協(xié)同自動駕駛系統(tǒng)架構(gòu)方案示意圖

該架構(gòu)方案由基于AI的自動駕駛智能車端設(shè)備和基于大數(shù)據(jù)分析的自動駕駛云端系統(tǒng)兩部分組成，共同形成一個集復(fù)雜環(huán)境精確感知、通行智慧決策與行車控制優(yōu)化執(zhí)行的車云協(xié)同一體自動駕駛系統(tǒng)。

2.1基于AI的自動駕駛智能終端

自動駕駛智能終端是一個集環(huán)境感知、規(guī)劃決策、執(zhí)行控制等多項功能于一體的信息物理融合系統(tǒng)（CPS）。為適應(yīng)不同場景不同車型汽車自動駕駛的應(yīng)用需求，需深入研究自動駕駛汽車嵌入式智能控制器軟硬件協(xié)同設(shè)計技術(shù)，建立可承載集傳感器數(shù)據(jù)采集、環(huán)境感知數(shù)據(jù)融合、規(guī)劃決策，執(zhí)行控制AI算法為一體，滿足自動駕駛行車需求的智能終端軟硬件體系架構(gòu)，設(shè)計實時可靠、具有系統(tǒng)容錯和「跛行」能力的自動駕駛汽車AI終端，提出實時可靠、任務(wù)自適應(yīng)的智能終端專用系統(tǒng)軟件，實現(xiàn)AI算法的系統(tǒng)集成驗證與實車應(yīng)用。需突破的關(guān)鍵技術(shù)包括實時可靠的自動駕駛AI終端硬件架構(gòu)、可靠自適應(yīng)的自動駕駛AI終端軟件架構(gòu)和自動駕駛智能終端的AI技術(shù)集成應(yīng)用等。

1）自動駕駛AI終端硬件架構(gòu)

自動駕駛汽車AI終端是一個集環(huán)境感知、規(guī)劃決策、控制執(zhí)行等多項功能于一體的綜合智能系統(tǒng)。根據(jù)自動駕駛系統(tǒng)在典型應(yīng)用場景中針對環(huán)境感知、規(guī)劃決策以及執(zhí)行控制等業(yè)務(wù)模塊體現(xiàn)出的不同任務(wù)分工、工作模式及通信互聯(lián)方式，研究自動駕駛AI終端的系統(tǒng)可靠性設(shè)計及模塊化設(shè)計方法，重點研究基于GPU和MCU的異構(gòu)多核硬件系統(tǒng)架構(gòu)和基于以太網(wǎng)的高速互聯(lián)通信架構(gòu)。

2）自動駕駛AI終端軟件架構(gòu)

自動駕駛車端系統(tǒng)集成了多個軟件功能模塊（環(huán)境感知、規(guī)劃決策、執(zhí)行控制、導(dǎo)航、定位、交通信號監(jiān)測等）和多個硬件執(zhí)行單元（計算單元、控制單元、傳感器等），研究：

基于AI的感知、規(guī)劃、執(zhí)行等功能性應(yīng)用軟件系統(tǒng)架構(gòu)與層次化、模塊化的設(shè)計方法；

基于任務(wù)自適應(yīng)的系統(tǒng)軟件和應(yīng)用軟件最優(yōu)構(gòu)架；

確保合理分配和調(diào)度包括GPU、CPU、內(nèi)存、總線和通信接口等在內(nèi)的軟硬件資源，提供系統(tǒng)自我修復(fù)能力、模塊資源隔離能力、計算與內(nèi)存資源分配能力、優(yōu)先級執(zhí)行能力，以及模塊間有效通信能力等。

3）自動駕駛AI終端的技術(shù)集成應(yīng)用

自動駕駛系統(tǒng)作為一個典型的物理信息融合系統(tǒng)，必須通過AI方法的綜合運用才能實現(xiàn)進行數(shù)據(jù)信息和知識信息的綜合集成。

針對自動駕駛智能終端的有限軟硬件資源，構(gòu)建面向自動駕駛智能終端的AI操作系統(tǒng)，使自動駕駛的感知融合、決策控制等任務(wù)能夠?qū)崟r執(zhí)行。AI操作系統(tǒng)除具有通用操作系統(tǒng)的所有功能，還應(yīng)包括語音識別、機器視覺、執(zhí)行器系統(tǒng)和認知行為系統(tǒng)，可分為基礎(chǔ)設(shè)施層、技術(shù)研發(fā)層和集成應(yīng)用層?；贏I的自動駕駛智能終端目前已得到業(yè)界的普遍重視，大量AI技術(shù)正以驚人的速度應(yīng)用在自動駕駛汽車領(lǐng)域。

然而，目前仍面臨的一些問題亟待解決：

如AI算法需要大量標(biāo)記的樣本庫進行自學(xué)習(xí)，且內(nèi)在機理不清晰、邊界條件不確定；

AI技術(shù)應(yīng)用范圍受限于車載芯片及傳感器的處理能力等。

因此，注重傳感器與汽車產(chǎn)業(yè)同步升級，藉此提高數(shù)據(jù)采集質(zhì)量，使數(shù)據(jù)融合在硬件層面有解決方案；最大限度發(fā)揮AI技術(shù)在限定場景下的應(yīng)用，如封閉/半封閉區(qū)域、低速/高速狀態(tài)、有軌交通、特種車輛等。

2.2基于大數(shù)據(jù)分析的自動駕駛云端系統(tǒng)

在云計算平臺的強計算能力保障下，面向多車型、多場景以及個性化駕駛的需求，分析自動駕駛汽車系統(tǒng)中AI關(guān)于數(shù)據(jù)質(zhì)量與訪問效率的要求，

研究面向AI的云計算平臺數(shù)據(jù)空間構(gòu)建技術(shù)，實現(xiàn)車云兩端多類型、多領(lǐng)域數(shù)據(jù)的歸一化；

研究自動駕駛汽車系統(tǒng)中的車云兩端信息數(shù)據(jù)交互協(xié)同技術(shù)，構(gòu)建信息數(shù)據(jù)交互協(xié)同框架，解決車云兩端信息數(shù)據(jù)的無縫對接問題，完成車端的信息數(shù)據(jù)訂閱與云端的信息數(shù)據(jù)分發(fā)。

在此基礎(chǔ)上，研究在不同車型、不同駕駛風(fēng)格下適應(yīng)多場景的AI算法適配問題，使自動駕駛汽車在感知、決策與執(zhí)行3個層次均呈現(xiàn)較深的智能化，進而實現(xiàn)自動駕駛汽車整體智能的提升。

1）云端數(shù)據(jù)空間構(gòu)建技術(shù)

為降低在多場景、多車型與個性駕駛等背景下的自動駕駛系統(tǒng)中AI數(shù)據(jù)處理和信息服務(wù)的復(fù)雜性，分析信息數(shù)據(jù)的分布、異構(gòu)、時變、海量的數(shù)據(jù)特征，

研究基于信息數(shù)據(jù)源的元數(shù)據(jù)描述方法、元數(shù)據(jù)的沖突消減技術(shù)以及元數(shù)據(jù)的發(fā)布發(fā)現(xiàn)技術(shù)，實現(xiàn)元數(shù)據(jù)集的構(gòu)建與管理；

研究信息數(shù)據(jù)空間的組織結(jié)構(gòu)與建模技術(shù)，構(gòu)建信息數(shù)據(jù)空間的對象關(guān)聯(lián)集；

研究基于元數(shù)據(jù)實體對象的索引和檢索技術(shù)，實現(xiàn)基于元數(shù)據(jù)的異構(gòu)信息數(shù)據(jù)源的發(fā)布與發(fā)現(xiàn)能力。

2）車云協(xié)同技術(shù)

在不同的行車工況與應(yīng)用場景中，無論是自動駕駛的在線AI學(xué)習(xí)訓(xùn)練，還是離線的交互信息準備，為實施精準的行車環(huán)境感知、智慧的通行決策與優(yōu)化的行車動作控制，車端與云端之間均需要進行大量的信息數(shù)據(jù)交互與協(xié)同。

基于AI的自動駕駛系統(tǒng)車云協(xié)同技術(shù)需主要解決信息數(shù)據(jù)在車端與云平臺之間的統(tǒng)一有效傳遞問題。車身傳感器節(jié)點的采樣數(shù)據(jù)包括數(shù)值型數(shù)據(jù)（如GPS/INS數(shù)據(jù)、毫米波雷達數(shù)據(jù)）和多媒體數(shù)據(jù)（如攝像頭圖像），將這些傳感器數(shù)據(jù)按一定頻率傳輸?shù)皆贫藬?shù)據(jù)庫，進行在線處理、離線處理、溯源處理和復(fù)雜數(shù)據(jù)分析。

文中提出的自動駕駛系統(tǒng)包括車端與云端兩部分智能子系統(tǒng)，云端系統(tǒng)不僅能夠存儲海量的傳感器實時采集數(shù)據(jù)，還可以存儲采集歷史數(shù)據(jù)，同時借助云計算完成這些海量數(shù)據(jù)的存儲、傳輸、分析處理，基于AI集成應(yīng)用算法的智能駕駛控制模型，為車輛決策提供可靠、高效的協(xié)同控制方案。

3）云平臺AI算法應(yīng)用技術(shù)

云平臺AI算法應(yīng)用是自動駕駛云端系統(tǒng)的核心部分，它結(jié)合機器學(xué)習(xí)、數(shù)據(jù)挖掘等相關(guān)技術(shù)，對感知融合信息進行分析，為車輛控制規(guī)劃提供決策依據(jù)。車載嵌入式硬件平臺因計算、存儲能力有限，無法滿足AI模型的訓(xùn)練需求。自動駕駛云平臺AI算法應(yīng)用技術(shù)，利用虛擬化技術(shù)及網(wǎng)絡(luò)技術(shù)整合大規(guī)?？蓴U展的計算、存儲、數(shù)據(jù)、應(yīng)用等分布式計算資源完成AI模型算法的學(xué)習(xí)訓(xùn)練，能實現(xiàn)在云端訓(xùn)練AI模型，通過車云協(xié)同技術(shù)將其部署到嵌入式平臺，使AI算法在車端自動駕駛系統(tǒng)上得到深度應(yīng)用。

可以預(yù)見，自動駕駛云端系統(tǒng)未來面臨的主要問題集中在超大規(guī)模的數(shù)據(jù)存儲、數(shù)據(jù)加密和安全性保證以及提高I/O速率等方面；在技術(shù)落地上也面臨供應(yīng)商協(xié)作及運營收費政策的限制。

因此，考慮充分利用現(xiàn)有創(chuàng)新資源和載體，融通各類企業(yè)級平臺及政府監(jiān)管平臺數(shù)據(jù)，轉(zhuǎn)變通信系統(tǒng)和發(fā)布系統(tǒng)的封閉現(xiàn)狀，采用云計算模式構(gòu)建交通服務(wù)體系，對于一些中小城市而言只需要租用相應(yīng)的服務(wù)即可，有利于自動駕駛云端系統(tǒng)的普及。同時由政府引導(dǎo)，對云平臺技術(shù)規(guī)范及數(shù)據(jù)元格式等核心草案進行編制與推廣，從而引導(dǎo)自動駕駛云端系統(tǒng)應(yīng)用的示范，推廣及可持續(xù)發(fā)展。

3.結(jié)論

文中分析了自動駕駛技術(shù)的發(fā)展現(xiàn)狀，以及AI在自動駕駛技術(shù)中的應(yīng)用發(fā)展趨勢與面臨的挑戰(zhàn)。在此基礎(chǔ)上，提出了一個基于AI的車云協(xié)同自動駕駛系統(tǒng)，闡述了系統(tǒng)組成及其關(guān)鍵技術(shù)。

文中提出AI深度應(yīng)用于自動駕駛領(lǐng)域需重點解決自動駕駛車載終端的AI深度集成、自動駕駛系統(tǒng)車云計算平臺數(shù)據(jù)歸一化、車云信息數(shù)據(jù)交互協(xié)同、車云AI算法多車型多場景及個性駕駛適配等關(guān)鍵技術(shù)。

針對多車型多場景的應(yīng)用工況，指出需研究自動駕駛汽車嵌入式智能控制器軟硬件協(xié)同設(shè)計技術(shù)；

針對車載自動駕駛系統(tǒng)本地存儲和計算能力有限的問題，提出以云計算作為車端能力的擴展，解決AI算法模型學(xué)習(xí)訓(xùn)練所必需的大數(shù)據(jù)存儲空間和HPC能力的問題；

針對車云兩端的交互問題，提出通過車云協(xié)同方法將云端上訓(xùn)練的AI模型部署到車端進行執(zhí)行，完成感知融合、規(guī)劃決策等自動駕駛?cè)蝿?wù)。

最終基于車端和云端軟硬件架構(gòu)形成一套完整的車云協(xié)同一體自動駕駛系統(tǒng)。